使用Python高效實現(xiàn)PDF內容差異對比的方法詳解
更新時間：2025年06月27日 11:03:32 作者：wumingxiaoyao
PDF是一種便攜文檔格式,便于跨操作系統(tǒng)傳播文檔,PDF文檔遵循標準格式,因此存在很多可以操作PDF文檔的工具,Python自然也不例外,本文將給大家介紹了如何使用Python高效實現(xiàn)PDF內容差異對比,需要的朋友可以參考下
1. 安裝 PyMuPDF 庫
PyMuPDF 提供了豐富的文檔操作功能，包括文本/圖像提取、頁面渲染、文檔合并拆分、注釋添加等。支持格式包括 PDF、EPUB、XPS 等。它是基于 C 語言庫 MuPDF 的 Python 綁定，MuPDF 由 Artifex 公司開發(fā)，以高性能和小巧著稱。通過 pip install PyMuPDF 安裝，但在代碼中需通過 import fitz 調用其功能。fitz 是該庫的核心模塊，fitz 名稱源自 MuPDF 的原始渲染引擎 “Fitz”。為保持一致性，PyMuPDF 的 Python 接口沿用了此名稱。
pip install pymupdf
import fitz
2. 獲取 PDF 內容
fitz.open 是 PyMuPDF（fitz 模塊）中用于打開 PDF 或其他支持的文檔格式的函數(shù)。它返回一個fitz.Document 對象。通過 fitz.Document 對象，可以：
- 訪問頁面：
使用索引訪問文檔中的頁面，例如 doc[0] 表示第一頁。
每個頁面是一個 fitz.Page 對象。 - 獲取文檔信息：
獲取文檔的元數(shù)據(jù)（如標題、作者、創(chuàng)建時間等）。
獲取文檔的頁數(shù)。
獲取 PDF 內容有兩種方式：
通過文件路徑獲取
def get_pdf_content_from_path(pdf_path):
"""Get PDF content from a local file path"""
pdf = fitz.open(pdf_path)
return pdf
通過 URL 獲取
注意通過接口調用獲取 repsonce.content 字節(jié)類型 content，而不是 response.text 字符串類型 content
| 屬性 | response.content | response.text |
|---|---|---|
| 返回類型 | bytes（字節(jié)） | str（字符串） |
| 解碼 | 不進行解碼，返回原始二進制數(shù)據(jù) | 自動根據(jù) response.encoding 解碼 |
| 適用場景 | 處理二進制文件（如圖片、PDF 等） | 處理文本數(shù)據(jù)（如 HTML、JSON 等） |
| 手動解碼 | 需要手動解碼（如 content.decode(‘utf-8’)） | 自動解碼，無需額外操作 |
def get_pdf_content_from_datalake(content_url):
"""Get PDF content using content_url"""
content = get_content_by_content_url(content_url)
try:
pdf = fitz.open(filetype="pdf", stream=content)
except Exception as e:
raise ValueError(f"Failed to open PDF from DataLake for URL: {content_url}. Error: {str(e)}")
return pdf
3. 提取 PDF 每頁信息
PDF 通常有很多頁 content，需要比較每頁的 content，前面獲取到 fitz.Document，使用索引訪問文檔中的頁面 doc[index] 返回 fitz.Page 對象。
下面是 fitz.Page 的常用屬性，我們對比內容只需要用到 get_text() 和 get_pixmap()，通過比較每頁的 text 和像素就能找出 PDF 任何細微的差異，包括內容格式，e.g 字體，加粗，高亮，table 布局，圖片大小等。
| 屬性/方法 | 描述 |
|---|---|
| number | 當前頁面的頁碼（從 0 開始）。 |
| rect | 頁面尺寸（矩形區(qū)域）。 |
| rotation | 頁面旋轉角度（0、90、180 或 270）。 |
| mediabox | 頁面媒體框的尺寸。 |
| cropbox | 頁面裁剪框的尺寸。 |
| get_text() | 提取頁面文本（支持多種格式，如 “text”、“html”、“json”）。 |
| get_pixmap() | 將頁面渲染為圖像。 |
| search_for() | 搜索頁面中的文本。 |
| get_images() | 獲取頁面中的嵌入圖像信息。 |
| add_annot() | 在頁面上添加注釋。 |
| write() | 將頁面內容導出為字節(jié)流。 |
其中 get_pixmap() 用于將 PDF 頁面渲染為像素圖（圖像）。它是將 PDF 頁面轉換為圖像格式的核心方法，常用于生成頁面的可視化表示或進行圖像比較。返回的 fitz.Pixmap 對象包含圖像的像素數(shù)據(jù)和相關信息，常用屬性如下：
| 屬性名 | 描述 |
|---|---|
| samples | 圖像的原始像素數(shù)據(jù)（字節(jié)流）。 |
| width | 圖像的寬度（像素）。 |
| height | 圖像的高度（像素）。 |
| stride | 每行像素的字節(jié)數(shù)。 |
| colorspace | 圖像的顏色空間（如 RGB、灰度等）。 |
# Determine the maximum number of pages
max_pages = max(len(pdf_base), len(pdf_target))
def extract_page_data(pdf, page_num):
"""Extract text and pixel data from a PDF page."""
page = pdf[page_num]
text = page.get_text()
pix = page.get_pixmap()
return {
"text": text,
"pix_samples": pix.samples,
"pix_width": pix.width,
"pix_height": pix.height,
}
def generate_page_data(pdf_base, pdf_target, max_pages, doc_folder):
"""Generator to yield page data for multiprocessing."""
for page_num in range(max_pages):
page_data_base = extract_page_data(pdf_base, page_num)
page_data_target = extract_page_data(pdf_target, page_num)
yield (page_data_base, page_data_target, page_num, doc_folder)
4. 內容對比
metadata 差異
fitz.Document 對象元數(shù)據(jù) metadata 屬性，通常包括文檔的基本信息，例如標題、作者、創(chuàng)建時間等。如果忽略 metadata 差異，可以忽略此項對比。
以下是 metadata 字典中常見的鍵及其含義：
| 鍵名 | 描述 |
|---|---|
| title | 文檔的標題（Title）。 |
| author | 文檔的作者（Author）。 |
| subject | 文檔的主題（Subject）。 |
| keywords | 文檔的關鍵字（Keywords）。 |
| creator | 創(chuàng)建文檔的應用程序（Creator）。 |
| producer | 生成文檔的工具或軟件（Producer）。 |
| creationDate | 文檔的創(chuàng)建日期（Creation Date）。 |
| modDate | 文檔的最后修改日期（Modification Date）。 |
| trapped | 文檔是否被標記為“Trapped”（通常為 True 或 False，可能為空）。 |
compare_metadata(pdf_base.metadata, pdf_target.metadata, result)
def compare_metadata(metadata_base, metadata_target, result):
"""Compare PDF metadata"""
for key in set(metadata_base.keys()) | set(metadata_target.keys()):
if metadata_base.get(key) != metadata_target.get(key):
result["metadata_differences"].append(
f"Metadata '{key}' differs: pdf_base='{metadata_base.get(key)}', pdf_target='{metadata_target.get(key)}'"
)
文本對比
ndiff 是 Python 標準庫 difflib 中的一個方法，用于逐行比較兩個字符串序列，并生成一個可讀的差異列表。它特別適合用于文本比較，能夠清晰地標記出新增、刪除和修改的部分。
difflib.ndiff 的功能
- 輸入: 兩個字符串序列（通常是通過 splitlines() 分割的多行文本）。
- 輸出: 一個迭代器，生成每一行的差異標記。
- 差異標記:
-：表示在第一個序列中存在，但在第二個序列中不存在的行。
+：表示在第二個序列中存在，但在第一個序列中不存在的行。
（空格）：表示兩個序列中都存在的行（沒有變化）。
?：表示上一行的具體差異（通常用于標記字符級別的變化）。
def compare_text_content(page_data_base, page_data_target, page_num, result):
"""Compare text content of two pages."""
text_base = page_data_base["text"]
text_target = page_data_target["text"]
if text_base != text_target:
result["text_differences"].append(f"Text differs on page {page_num + 1}")
diff = list(difflib.ndiff(text_base.splitlines(), text_target.splitlines()))
differences = [d for d in diff if d.startswith('+ ') or d.startswith('- ')]
if differences:
result["text_differences"].append(f"Page {page_num + 1} specific differences: {differences[:5]}...")
可視化對比
比較兩個 PDF 頁面視覺內容，通過比較頁面的像素數(shù)據(jù)來檢測頁面之間的視覺差異。
- 頁面尺寸比較:
首先比較兩個頁面的寬度和高度，如果頁面尺寸不同，記錄差異并退出函數(shù)。 - 像素數(shù)據(jù)比較:
將頁面的像素數(shù)據(jù)轉換為圖像對象。使用 PIL.Image.frombytes 將頁面的像素數(shù)據(jù)轉換為 RGB 圖像對象。
使用 ImageChops.difference 計算兩個圖像的差異，返回一個差異圖像，其中每個像素的值表示兩個圖像對應像素的差異程度。 - 保存差異圖像:
如果發(fā)現(xiàn)差異，保存基準頁面、目標頁面和差異圖像到指定的文件夾。
記錄差異信息到 result 字典中。
def compare_visual_content(page_data_base, page_data_target, page_num, doc_folder, result):
"""Compare visual content of two pages."""
if (page_data_base["pix_width"] != page_data_target["pix_width"] or
page_data_base["pix_height"] != page_data_target["pix_height"]):
result["format_differences"].append(
f"Page {page_num + 1} size differs: PDF_base={page_data_base['pix_width']}x{page_data_base['pix_height']}, "
f"PDF_target={page_data_target['pix_width']}x{page_data_target['pix_height']}"
)
return
img_base = Image.frombytes("RGB", [page_data_base["pix_width"], page_data_base["pix_height"]], page_data_base["pix_samples"])
img_target = Image.frombytes("RGB", [page_data_target["pix_width"], page_data_target["pix_height"]], page_data_target["pix_samples"])
diff_img = ImageChops.difference(img_base, img_target)
if np.any(np.array(diff_img)):
img_base_path = os.path.join(doc_folder, f"page_{page_num + 1}_pdf_base.png")
img_target_path = os.path.join(doc_folder, f"page_{page_num + 1}_pdf_target.png")
diff_path = os.path.join(doc_folder, f"page_{page_num + 1}_diff.png")
img_base.save(img_base_path)
img_target.save(img_target_path)
diff_img.save(diff_path)
result["format_differences"].append(f"differs on page {page_num + 1}: difference image saved at {diff_path}")
5. 提升對比效率
通過哈希值快速判斷頁面是否相同
通過比較頁面內容的哈希值（包括文本和像素數(shù)據(jù)），如果哈希值相同，則跳過進一步比較。
如果哈希值不同，調用 compare_text_content 和 compare_visual_content 方法分別比較文本和視覺內容。
def hash_page_content(page_data):
"""Generate a hash for the page content."""
text_hash = hashlib.md5(page_data["text"].encode()).hexdigest()
pix_hash = hashlib.md5(page_data["pix_samples"]).hexdigest()
return text_hash, pix_hash
def compare_page(page_data_base, page_data_target, page_num, doc_folder):
"""Compare a single page for text and visual differences."""
result = {
"text_differences": [],
"format_differences": []
}
try:
# Compare hashes first
base_hash = hash_page_content(page_data_base)
target_hash = hash_page_content(page_data_target)
if base_hash == target_hash:
return result # Skip comparison if hashes are identical
# Compare text and visual content
compare_text_content(page_data_base, page_data_target, page_num, result)
compare_visual_content(page_data_base, page_data_target, page_num, doc_folder, result)
except Exception as e:
result["format_differences"].append(f"Failed to compare page {page_num + 1}: {str(e)}")
return result
早停機制
如果 PDF 差異頁面非常很多，后續(xù)的頁面差異其實是無意義的，我們可以設定一個差異頁面數(shù)量的最大值，比如 3 或 5，當發(fā)現(xiàn)的差異頁面數(shù)量達到指定的最大值時，函數(shù)會停止進一步的比較。
def compare_page_with_limit(args, diff_page_count, max_diff_pages, lock):
"""Compare a single page with early termination."""
page_data_base, page_data_target, page_num, doc_folder = args
with lock:
if diff_page_count.value >= max_diff_pages:
return None # Skip further processing if limit is reached
page_result = compare_page(page_data_base, page_data_target, page_num, doc_folder)
if page_result["text_differences"] or page_result["format_differences"]:
with lock:
diff_page_count.value += 1
return page_result
多進程機制
如果需要比較的 PDF 文件比較多，我們也可以采用多進程并發(fā)比較，提升腳本執(zhí)行時間。這里可以根據(jù)實際情況，是基于 PDF 之間并行，還是基于單個 PDF 頁面之間并行。我這邊是基于 PDF 頁面之間并發(fā)執(zhí)行的，考慮到大多數(shù) PDF 頁面達上百頁，頁面之間并發(fā)效率更高。
pool.starmap 是 Python 中 multiprocessing.Pool 提供的一種方法，用于在多進程環(huán)境下并行執(zhí)行函數(shù)。它類似于 map 方法，但支持將多個參數(shù)傳遞給目標函數(shù)。
這里定義了一個 diff_page_count 共享變量（通過 manager.Value 創(chuàng)建），因為是 int 型，所以在多進程環(huán)境下需要使用 lock 來保護它。這是因為 manager.Value 本身并不能保證對其值的操作是原子的（atomic）。
共享變量的非原子操作，對共享變量的操作（如 diff_page_count.value += 1）實際上是由多個步驟組成的：
- 讀取當前值。
- 增加值。
- 寫回新值。
在多進程環(huán)境下，如果多個進程同時執(zhí)行這些步驟，就可能導致數(shù)據(jù)競爭（race condition），從而導致共享變量的值不正確。假設兩個進程同時讀取 diff_page_count.value 的值為 5，然后分別將其加 1 并寫回。最終的結果可能是 6 而不是預期的 7，因為兩個進程的操作互相覆蓋了。使用 lock 可以確保在一個進程修改共享變量時，其他進程必須等待，直到當前進程完成操作并釋放鎖。這就避免了數(shù)據(jù)競爭，確保共享變量的值始終正確。
當然如果換成 diff_page_count = manager.list()，它的操作（如添加或刪除元素）是線程安全的，底層已經實現(xiàn)了同步機制。因此，多個進程可以安全地向列表中添加元素，而無需顯式使用 lock。但是 manager.list() 的操作比直接操作 manager.Value 稍慢，因為它需要處理線程安全。如果性能是關鍵問題，仍然可以考慮使用 manager.Value 和 lock。
def prepare_output_folder(output_folder, pdf_object_id):
"""Prepare the output folder for storing comparison results."""
output_folder = os.path.join(constants.OUTPUT_DIR, output_folder)
os.makedirs(output_folder, exist_ok=True)
doc_folder = os.path.join(output_folder, pdf_object_id.replace(":", "_"))
clear_and_create_content_dir(doc_folder)
return doc_folder
def compare_pdf(pdf_base_path, pdf_target_path,
pdf_object_id, pdf_base_object_url, pdf_target_object_url,
is_from_datalake=True, output_folder="pdf_diff_results",
max_diff_pages=3):
"""Compare two PDF files for content and format differences"""
# Prepare output folder
doc_folder = prepare_output_folder(output_folder, pdf_object_id)
# Initialize result
result = {
"text_differences": [],
"format_differences": [],
"metadata_differences": [],
"page_count": {"pdf_base": 0, "pdf_target": 0}
}
# Open PDF files
pdf_base = get_pdf_content_from_datalake(pdf_base_object_url) if is_from_datalake else get_pdf_content_from_path(pdf_base_path)
pdf_target = get_pdf_content_from_datalake(pdf_target_object_url) if is_from_datalake else get_pdf_content_from_path(pdf_target_path)
# Compare page count
result["page_count"]["pdf_base"] = len(pdf_base)
result["page_count"]["pdf_target"] = len(pdf_target)
# Compare metadata, ignore differences in creation/modification dates
# compare_metadata(pdf_base.metadata, pdf_target.metadata, result)
# Determine the maximum number of pages
max_pages = max(len(pdf_base), len(pdf_target))
# Compare pages in parallel using a generator
with Manager() as manager:
# Shared counter for tracking pages with differences
diff_page_count = manager.Value('i', 0)
lock = manager.Lock()
# Create a pool of worker processes
with Pool() as pool:
page_results = pool.starmap(
compare_page_with_limit,
[(args, diff_page_count, max_diff_pages, lock) for args in generate_page_data(pdf_base, pdf_target, max_pages, doc_folder)]
)
if diff_page_count.value >= max_diff_pages:
print(f"Early termination: {diff_page_count.value} pages with differences found, stopping further processing.")
pool.terminate()
pool.join()
# Aggregate results
for page_result in page_results:
if page_result is None:
continue # Skip if terminated early
result["text_differences"].extend(page_result["text_differences"])
result["format_differences"].extend(page_result["format_differences"])
return result
6. 其他
還有一些其他細節(jié)問題，這里就不細說了，一個完整的腳本執(zhí)行是需要考慮很多因素的，目的就是為了全自動化，減少人工干預成本，提高整體效率。
這里羅列一些：
- 測試數(shù)據(jù)收集和配置，方便后期定制化執(zhí)行不同的測試數(shù)據(jù)集
- 腳本執(zhí)行過程中的 log，方便 troubleshooting
- 生成測試報告，包括細節(jié)信息，匯總信息（total，fail，pass），及其他統(tǒng)計信息，方便 triage
- 部署到 Jenkins 上日常執(zhí)行，并發(fā)送測試報告，方便 CICD
以上就是使用Python高效實現(xiàn)PDF內容差異對比的方法詳解的詳細內容，更多關于Python PDF內容差異對比的資料請關注腳本之家其它相關文章！
相關文章
今天分享個如何簡單處理滑動圖片的驗證碼的案例，主要是使用Python爬蟲破解滑動驗證碼的相關實現(xiàn)代碼，感興趣的朋友跟隨小編一起看看吧2021-05-05
這篇文章主要介紹了Python棧算法的實現(xiàn)與簡單應用,簡單講述了棧的原理并結合實例形式給出了基于棧實現(xiàn)的進制轉換與括號匹配等相關使用技巧,需要的朋友可以參考下2017-11-11
python實現(xiàn)對doc,txt,xls文檔的讀寫操作
這篇文章主要介紹了python實現(xiàn)對doc,txt,xls文檔的讀寫操作，正如標題所見，文章包括三個部分python實現(xiàn)對doc文檔的讀取、python實現(xiàn)對txt文檔的讀取和python實現(xiàn)對xls表格的讀取,需要的朋友可以參考一下2022-04-04
Python中strip()方法用于去除字符串首尾的空白字符,包括空格、制表符和換行符,可以確保字符串沒有多余的空白字符,感興趣的可以了解一下2024-11-11
這篇文章主要為大家介紹了python?random模塊常用函數(shù)基礎教程，有需要的朋友可以借鑒參考下，希望能夠有所幫助，祝大家多多進步，早日升職加薪2023-06-06
在本篇文章里小編給大家整理的是一篇關于python里glob模塊知識點總結，有需要的朋友們可以參考下。2021-01-01
這篇文章主要為大家介紹了Python遞歸函數(shù)，具有一定的參考價值，感興趣的小伙伴們可以參考一下，希望能夠給你帶來幫助2021-11-11
時區(qū)是指在地球上不同地方的時間差異，地球分為?24?個時區(qū)，每個時區(qū)都相對于格林威治標準時間或協(xié)調世界時（UTC）有所偏移。本文主要和大家來聊聊Python是如何處理不同時區(qū)的，希望對大家有所幫助2023-02-02
這篇文章主要介紹了django的html模板中調用對象屬性或對象的方法及相關代碼，有需要的小伙伴可以參考下。2018-11-11
這篇文章主要介紹了使用python+Pyqt5實現(xiàn)串口調試助手,串口通訊程序首先要對串口進行設置，如波特率、數(shù)據(jù)位、停止位、校驗位等，需要的朋友可以參考下2022-04-04